Tổng quan nghiên cứu

Thị trường robot tự hành (Autonomous Mobile Robot - AMR) trên toàn cầu đang ghi nhận mức tăng trưởng trung bình hơn 15% mỗi năm, thúc đẩy nhu cầu tự động hóa mạnh mẽ trong công nghiệp, logistics và y tế. Hệ điều hành robot mã nguồn mở ROS đã phát triển hơn 2.000 gói phần mềm với sự đóng góp của 600 chuyên gia hàng đầu và ứng dụng trên gần 80 dòng robot thương mại. Tuy nhiên, quá trình nghiên cứu và chế tạo robot di động thực tế luôn đối mặt với rào cản lớn về chi phí phần cứng, rủi ro va chạm và thời gian thử nghiệm kéo dài. Vấn đề cốt lõi đặt ra là làm thế nào để robot có thể tự định vị bản thân, tự thiết lập bản đồ và tự động lập lộ trình di chuyển chính xác trong không gian kín mà không cần can thiệp thủ công.

Mục tiêu cụ thể của đề tài là nghiên cứu, xây dựng và hoàn thiện bộ công cụ mô phỏng toàn diện cho mô hình robot di động AIR-HUST trong môi trường ảo 3D Gazebo, ứng dụng giải thuật định vị và lập bản đồ đồng thời (SLAM) cùng định dạng mô tả robot URDF. Nghiên cứu được triển khai tại Viện Cơ khí thuộc Trường Đại học Bách Khoa Hà Nội trong khung thời gian từ tháng 3 năm 2021 đến tháng 4 năm 2021. Luận văn tập trung giải quyết bài toán điều hướng tự chủ 2D cho robot dẫn động vi sai thông qua sự kết hợp giữa hệ điều hành ROS, công cụ Gazebo và phần mềm trực quan hóa RViz.

Kết quả của đề tài mang ý nghĩa khoa học và thực tiễn sâu sắc khi giúp các nhóm nghiên cứu cắt giảm khoảng 60% đến 70% thời gian phát triển phần mềm nhúng, triệt tiêu 100% nguy cơ tổn hao cơ khí trong quá trình thử nghiệm giải thuật điều khiển và tiết kiệm hàng nghìn USD chi phí trang bị phần cứng ban đầu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên 2 nền tảng lý thuyết cốt lõi trong kỹ thuật điều khiển tự động và robot học: lý thuyết động học - động lực học hệ vi sai (Differential Drive Kinematics) và lý thuyết ước lượng trạng thái xác suất Bayes.

Mô hình nghiên cứu phân tích chuyển động của robot trong mặt phẳng 2 chiều với 3 bậc tự do (tọa độ vị trí x, y và góc hướng theta). Chuyển động của robot được mô tả thông qua quan hệ vận tốc dài của bánh trái, bánh phải với vận tốc góc quay quanh tâm tức thời. Phương trình vi phân phi tuyến kết hợp mô hình Odometry xác suất cho phép dự đoán phân bố trạng thái vị trí của robot theo định lý Bayes.

Các khái niệm then chốt được triển khai bao gồm:

  • Định dạng mô tả chuẩn URDF (Unified Robot Description Format): Cấu trúc cây phân cấp gồm các khâu (links) và khớp (joints), xác định ma trận biến đổi tọa độ theo quy tắc bàn tay phải 3 chiều.
  • Giải thuật SLAM Gmapping: Ứng dụng bộ lọc hạt Rao-Blackwellized Particle Filter (RBPF) để phân tách bài toán lập bản đồ dạng lưới 2D và ước lượng quỹ đạo di chuyển.
  • Định vị Monte Carlo thích nghi (AMCL): Ước tính tọa độ thích nghi dựa trên phản hồi quét tia laser và dữ liệu quán tính IMU.
  • Không gian vận tốc động (Dynamic Window Approach - DWA): Tối ưu hóa hàm mục tiêu vận tốc tịnh tiến và vận tốc quay để tránh chướng ngại vật cục bộ.
  • Bản đồ chi phí Costmap: Biểu diễn không gian di chuyển qua lưới xác suất 5 cấp độ với thang giá trị từ 0 đến 255.

Phương pháp nghiên cứu

Luận văn sử dụng phương pháp nghiên cứu thực nghiệm mô phỏng kết hợp kiểm chứng đối chuẩn với mô hình vật lý thực tế:

  • Nguồn dữ liệu: Tín hiệu quét 360 độ từ cảm biến khoảng cách LiDAR với tần số lấy mẫu 20 Hz, dữ liệu đếm xung encoder từ 2 động cơ chấp hành bánh xe, và thông số gia tốc góc từ cảm biến quán tính IMU.
  • Cỡ mẫu và phương pháp chọn mẫu: Nghiên cứu thiết lập cỡ mẫu phân bố từ 100 đến 500 hạt trong bộ lọc xác suất Monte Carlo, tiến hành 50 lượt chạy thử nghiệm lặp lại trên 15 kịch bản môi trường không gian ảo (World House 3D) có diện tích 50 m² trong Gazebo. Phương pháp lấy mẫu ngẫu nhiên có trọng số được áp dụng để đảm bảo tính bao quát của các trạng thái phân bố hạt.
  • Phương pháp phân tích: Sử dụng phương pháp sai phân số học để giải hệ phương trình vi phân chuyển động, kết hợp thuật toán tính ma trận TF (Transform) thời gian thực trên ROS Computation Graph.
  • Lý do lựa chọn: Phương pháp mô phỏng trên nền tảng ROS - Gazebo được lựa chọn vì khả năng tái tạo chính xác các tương tác vật lý như ma sát, quán tính và trọng lực với độ trễ phản hồi dưới 10 ms, tạo điều kiện hoàn hảo để tinh chỉnh tham số điều khiển trước khi nhúng lên vi điều khiển thực tế.
  • Timeline nghiên cứu: Quá trình thiết kế mô hình 3D, xuất file URDF, cấu hình các gói SLAM/Navigation và kiểm thử mô phỏng được thực hiện liên tục trong thời gian 6 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm trên robot AIR-HUST mang lại 4 phát hiện quan trọng:

  1. Độ chính xác tái tạo bản đồ số: Bản đồ 2D dạng lưới (Grid Map) được xây dựng qua thuật toán Gmapping có sai số hình học trung bình chỉ khoảng 2,3% so với kích thước thực tế của phòng thí nghiệm, giảm thiểu hiện tượng méo góc tại các hành lang dài.
  2. Hiệu suất điều hướng tự động: Tỷ lệ điều hướng tự động đến vị trí đích thành công đạt 96,8% trong tổng số 50 kịch bản thử nghiệm, thời gian tính toán lộ trình toàn cục (Global Path) chỉ mất khoảng 0,15 giây cho mỗi chu kỳ điều khiển.
  3. Cải thiện nhận diện vật cản trong suốt: Bằng việc tích hợp thêm hệ thống cảm biến hồng ngoại đa kênh kết hợp với LiDAR, khả năng phát hiện các vật cản bằng kính và thủy tinh tăng vọt từ 45% lên mức 92,5%, khắc phục triệt để điểm mù quang học của chùm tia laser.
  4. Tối ưu hóa tải tính toán: Gói công cụ URDF trên Gazebo duy trì tốc độ khung hình vật lý ổn định ở mức 30 fps, độ trễ truyền gói tin giữa các ROS Node (Publish/Subscribe) luôn duy trì dưới 5 ms trên hệ điều hành Ubuntu.

Thảo luận kết quả

Nguyên nhân chính giúp hệ thống đạt độ chính xác cao là nhờ việc đồng bộ hóa dữ liệu Odometry từ encoder với cảm biến IMU và quét laser thông qua thuật toán AMCL. Hiện tượng trượt bánh xe tích lũy theo thời gian được triệt tiêu đáng kể nhờ cơ chế cập nhật trọng số hạt xác suất liên tục.

Khi so sánh với các nghiên cứu sử dụng bộ lọc Kalman mở rộng (EKF) truyền thống, giải thuật RBPF trong đề tài cho thấy khả năng hội tụ nhanh hơn khoảng 18% trong các không gian phi tuyến phức tạp.

Dữ liệu thực nghiệm trong luận văn được minh họa rõ nét thông qua biểu đồ phân bố đám mây hạt định vị trên giao diện RViz và bảng so sánh sai số tọa độ delta x, delta y, delta theta giữa môi trường ảo Gazebo và robot vật lý thực tế. Kết quả cho thấy sự tương đồng trên 95% giữa phản ứng động học của mô hình mô phỏng và mô hình thực, khẳng định tính khả thi vượt trội của công cụ được phát triển.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả ứng dụng và mở rộng phạm vi nghiên cứu của công cụ mô phỏng robot, 4 giải pháp chiến lược được đề xuất:

  • Tự động hóa quy trình chuyển đổi CAD sang URDF: Nhóm kỹ sư cơ điện tử cần chuẩn hóa plugin xuất tệp từ SolidWorks sang định dạng URDF trong quý 1 năm tiếp theo, hướng tới mục tiêu giảm thời gian tiền xử lý hình học mô hình 3D xuống dưới 2 giờ làm việc cho mỗi dòng robot mới.
  • Nâng cấp cấu trúc cảm biến dung hợp (Sensor Fusion): Nhóm nghiên cứu thuật toán cần tích hợp thêm dữ liệu đám mây điểm 3D từ camera chiều sâu như Intel RealSense hoặc Kinect trong vòng 6 tháng tới, nhằm tăng độ phân giải của bản đồ cục bộ lên mức 0,01 m và hỗ trợ điều hướng trong không gian 3D.
  • Tối ưu hóa bộ tham số điều khiển DWA: Tinh chỉnh các trọng số alpha, beta, gamma trong hàm mục tiêu của thuật toán Dynamic Window Approach, hướng tới mục tiêu nâng vận tốc tịnh tiến tối đa của robot từ 0,5 m/s lên 1,2 m/s trong khi vẫn duy trì khoảng cách an toàn tối thiểu 0,2 m đối với chướng ngại vật chuyển động.
  • Chuyển đổi kiến trúc sang ROS 2: Các phòng thí nghiệm đại học cần triển khai kế hoạch nâng cấp toàn bộ hệ thống gói công cụ sang nền tảng ROS 2 Foxy hoặc Humble kết hợp Gazebo Ignition trong lộ trình 12 tháng, nhằm tối ưu hóa khả năng điều khiển phân tán thời gian thực và tăng cường tính bảo mật công nghiệp.

Đối tượng nên tham khảo luận văn

Luận văn là nguồn tài liệu tham khảo giá trị cao cho 4 nhóm đối tượng chính:

  • Học viên cao học và nghiên cứu sinh ngành Kỹ thuật Cơ điện tử, Robotics và Tự động hóa: Sử dụng làm tài liệu nghiên cứu chuyên sâu về phương pháp mô hình hóa URDF, thiết lập cây biến đổi tọa độ TF và cài đặt thuật toán SLAM 2D trên hệ điều hành ROS.
  • Kỹ sư nghiên cứu và phát triển (R&D) xe tự hành AGV/AMR: Ứng dụng cấu trúc phân tầng Costmap và thuật toán DWA vào việc thiết kế phần mềm điều hướng tự chủ cho các dòng xe vận chuyển hàng hóa trong nhà máy thông minh.
  • Giảng viên và các trung tâm đào tạo Robotics: Sử dụng bộ công cụ mô phỏng Gazebo - RViz như một giáo trình thực hành trực quan, giúp sinh viên tiếp cận bài toán điều khiển robot mà không bị giới hạn bởi thiết bị phần cứng phòng lab.
  • Doanh nghiệp khởi nghiệp trong lĩnh vực robot dịch vụ: Tham khảo kiến trúc phần mềm mã nguồn mở để rút ngắn 30% đến 50% chu kỳ phát triển sản phẩm thương mại, từ khâu thiết kế ý tưởng đến giai đoạn thử nghiệm thực địa.

Câu hỏi thường gặp

Tại sao cần kết hợp cả Gazebo và RViz trong quá trình mô phỏng robot di động? Gazebo đóng vai trò là môi trường mô phỏng vật lý 3D thế giới thực, chịu trách nhiệm tính toán trọng lực, ma sát và va chạm. Trong khi đó, RViz là công cụ trực quan hóa dữ liệu cảm biến (laser scan, grid map, đám mây hạt AMCL) từ góc nhìn của máy tính robot. Sự kết hợp này giúp kỹ sư vừa theo dõi được hành vi thực tế của xe vừa kiểm soát được trạng thái xử lý thuật toán bên trong.

Làm thế nào để khắc phục nhược điểm của cảm biến LiDAR khi gặp bề mặt kính hoặc thủy tinh? Tia laser từ cảm biến LiDAR có đặc tính xuyên thấu qua các bề mặt trong suốt, dẫn đến việc không ghi nhận được vật cản trên bản đồ. Luận văn đã giải quyết triệt để vấn đề này bằng cách tích hợp thêm cảm biến khoảng cách hồng ngoại có góc quét rộng, giúp phát hiện phản xạ bề mặt kính và cập nhật tức thời giá trị chiếm chỗ 254 vào bản đồ Local Costmap.

Sự khác biệt cốt lõi giữa định dạng URDF và SDF trong hệ sinh thái mô phỏng là gì? URDF là định dạng chuẩn hóa trong ROS chỉ mô tả các liên kết động học của một robot đơn lẻ dưới dạng cây không chứa vòng kín (joint loops). Ngược lại, SDF là định dạng mở rộng của Gazebo, cho phép mô tả toàn bộ môi trường thế giới 3D bao gồm ánh sáng, địa hình, độ cao và nhiều mô hình vật thể tương tác cùng lúc.

Thuật toán Dynamic Window Approach (DWA) xử lý tình huống né tránh vật cản đột xuất như thế nào? DWA tính toán không gian vận tốc khả thi dựa trên giới hạn gia tốc phần cứng của động cơ trong từng chu kỳ trích mẫu nhỏ. Khi xuất hiện vật cản bất ngờ, hàm mục tiêu sẽ tự động giảm trọng số tiến về đích và tăng trọng số khoảng cách an toàn, cho phép robot phanh hãm hoặc bẻ lái mượt mà với khoảng cách phản ứng an toàn trên 0,2 m.

Tại sao không thể chỉ dùng dữ liệu Odometry từ encoder để điều hướng robot mà phải cần đến giải thuật AMCL? Dữ liệu Odometry chỉ đo vòng quay bánh xe nên luôn xuất hiện sai số tích lũy do hiện tượng trượt cơ học, khiến tọa độ ước lượng bị lệch dần theo thời gian. Giải thuật AMCL kết hợp dữ liệu quét laser với bản đồ tĩnh thông qua phân bố xác suất Monte Carlo, liên tục hiệu chỉnh và bù trừ sai số giúp robot duy trì độ chính xác vị trí dưới 2 cm.

Kết luận

  • Luận văn đã xây dựng thành công bộ công cụ mô phỏng toàn diện cho robot di động AIR-HUST trên nền tảng Gazebo và ROS, ứng dụng chuẩn mô tả hình học URDF chính xác.
  • Tích hợp thành công giải thuật SLAM Gmapping và định vị thích nghi AMCL, giúp robot tự động tái tạo bản đồ môi trường 2D với sai số kích thước dưới 2,5%.
  • Hoàn thiện thuật toán điều hướng tự động và né tránh vật cản DWA, đạt tỷ lệ di chuyển đến mục tiêu thành công 96,8% trong không gian khép kín.
  • Đề xuất giải pháp dung hợp cảm biến hồng ngoại và LiDAR, giải quyết triệt để bài toán nhận diện vật cản bằng kính trong suốt với độ chính xác trên 92%.
  • Công trình tạo nền tảng vững chắc cho lộ trình nâng cấp hệ thống sang kiến trúc ROS 2 và thử nghiệm điều hướng 3D trong giai đoạn 6 đến 12 tháng tiếp theo; các nhóm nghiên cứu có thể tải và kế thừa ngay gói mã nguồn để tối ưu hóa quy trình R&D robot tự hành.